Google’i tehisaru DeepMind ennustab senistest mudelitest täpsemini ja kiiremini

Niisuguste sündmuste prognoosimisel on oluline iga minut. Tehisintellekt võib olla siin paremini abiks, kui arvatagi oskame.

Mõni nädal tagasi avalikustas Google DeepMind tehisintellekti, mis pakub kümnepäevaseid ilmaprognoose enneolematu täpsuse ja kiirusega. GraphCasti nimeline mudel suudab läbi töötada sadu ilmaga seotud andmepunkte kindla asukoha jaoks ja genereerida ennustused alla minutiga. Mis kõige tähtsam: selleks ei ole vaja megasuuri serverikeskusi, vaid piisab mõnest võimsamast arvutist.

Kui Google’i tehisintellekti testiti üle tuhande ilmamustriga, ületas see tipptasemel ilmasüsteeme umbes 90 protsendil juhtudest.

Kuigi tehisintellekti polnud otseselt treenitud ekstreemsete ilmastikumustrite tuvastamiseks, püüdis see kinni mitmeid atmosfäärisündmusi, mis on seotud just nende mustritega. See lahendus jälgis võrreldes varasemate meetoditega palju täpsemini tsüklonite trajektoore ja tuvastas atmosfäärijugasid.

GraphCast ennustas ka ekstreemsete temperatuuridega ilma algust palju paremini kui senised meetodid. 2024. aastat prognoositakse veelgi soojemaks ja ekstreemsete ilmastikunähtuste hulk peaks aina sagenema, seega võivad DeepMindi ennustused anda väärtuslikku aega ettevalmistusteks ja päästa isegi elusid.

„GraphCast on nüüd maailma kõige täpsem kümnepäevane globaalne ilmaprognooside süsteem ja suudab ennustada ekstreemseid ilmastikunähtusi kaugemale tulevikku, kui see oli varem võimalik,“ kirjutati DeepMindi blogis.

Praegune prognoosimistarkvara põhineb enamasti füüsikalistel mudelitel Maa atmosfääri kohta. Teadlased on kirjutanud ilmasüsteemide füüsika uurimisel mitmeid võrrandeid, mis järgivad aastakümnete jooksul kogutud andmeid, mida seejärel söödetakse ennustuste genereerimiseks superarvutitesse.

Aastate jooksul on füüsikapõhised meetodid kiiresti täpsust parandanud osaliselt tänu võimsamatele arvutitele, kuid need arvutused võtavad palju aega ning on kulukad.

GraphCast kasutab teistsugust lähenemist. Füüsika asemel otsitakse mustreid mineviku ilmaandmetest. GraphCast põhineb närvivõrgul, mida on varem kasutatud teiste füüsikapõhiste süsteemide, näiteks vedeliku dünaamika ennustamiseks. Nii võib GraphCast ennustada ilmamustreid järgmiseks kuueks tunniks, õppides iseenda prognoosidest ning võttes seda uue sisendina, mille järgi saab järk-järgult ennustada ilma ka kaugemas ajas.

GraphCasti treeniti peaaegu nelja aastakümne ajalooliste ilmaandmetega. Planeet jagati umbes 27 x 27 kilomeetristeks ruutudeks. Selle tulemusena tekkis üle miljoni punkti, mille jaoks treeniti masinõpet andmetega, mis on kogutud hetkel ja teine komplekt kuus tundi tagasi. Kasutati kümneid muutujaid Maa pinnalt ja atmosfäärist, nagu temperatuur, niiskus, tuule kiirus ja suund paljudel erinevatel kõrgustel.

Esialgne koolitus oli arvutuslikult mahukas ja võttis aega kuu. Samas kui tehisintellekt sai treenitud, oli see väga tõhus. See tegi näiteks kümnepäevase prognoosi valmis vähem kui minutiga.